发布人：Robert Crowe 和 Jocelyn Becker
您是否已掌握构建和训练 ML 模型的技术，并且已准备好将其运用于产品或服务的生产部署中了呢？如果是这样，我们推出的这套全新课程一定会让您十分满意。本课程由TensorFlow 团队、Andrew Ng 与 deeplearning.ai 联手打造，并将作为专业课程在 Coursera 上推出：面向生产环境的机器学习 (MLOps) 专业课程。
“面向生产环境的机器学习 (MLOps) 专业课程”以当下热门的专业课程 “DeepLearning.AI TensorFlow 开发者专业证书” （主要教授如何使用 TensorFlow 构建机器学习模型）中教授的知识为基础，以 Andrew Ng 讲授的入门课作为开篇，之后由 Robert Crowe 和 Laurence Moroney 负责授课，深入细致地探讨如何将模型发布给用户。
每节课都附带大量实操练习，使您能够实践如何准备数据，以及训练和部署模型。
在本专业课程结束时，您将有足够的能力设计和部署端到端 ML 生产系统。您将充分了解项目范围划分、数据需求、建模策略和部署要求。您将了解如何通过优化数据、模型和基础架构来管理成本。您将掌握如何验证数据的完整性以使其为生产使用做好准备，并对机器学习模型进行原型设计、开发和部署，监控，以及持续更新数据集并重新训练模型。
您将学习如何使用 TFX 实施特征工程、转型和选择，如何使用分析技术来解决模型公平性和可解释性问题，以及如何突破瓶颈。您还将通过亲身实践探索 ML 的不同场景和案例研究，包括个性化系统、自动驾驶汽车等。
您将了解部署与训练中的处理要求有何不同
您将了解用于部署机器学习系统的不同工具和平台
ML 在生产环境中的一个常见用途是个性化的产品 推荐系统
ML 在实践中的一项最新用途是引导自动驾驶汽车
尽管 AI/ML 是数字化转型的关键支柱已成为共识，但能否成功部署 ML 是制约我们从 AI 技术中获取价值的瓶颈所在。例如，在 2019 年之前开始试点 AI 项目的组织中，有 72% 的组织甚至没有在生产中部署任何一个应用。Algorithmia 对企业机器学习状况的一项调查发现，55% 的受访公司尚未部署 ML 模型。
模型无法投产，即使投入生产，也会因为无法适应环境的变化而发生故障。德勤咨询公司 (Deloitte) 认为人才缺乏和集成问题可能是阻碍或导致 AI 项目失败的因素。正因如此，ML 工程和 MLOps 的必要性日益凸显。ML 工程提供一个软件工程学科超集，用于处理 ML 实际应用中出现的独特、复杂性的情况。MLOps 是一种用于 ML 工程的方法，对 ML 系统开发（ML 元素）与 ML 系统操作（Ops 元素）进行了统一。
遗憾的是，具备 ML 工程和 MLOps 技能的求职者数量较少且招聘成本高昂。我们的全新 MLOps 专业课程将教授在该领域工作所必要的大量技能，并将帮助开发者为当前和未来的工作挑战做好准备。我们相信这是对 ML 社区的宝贵贡献，我们很高兴能参与其中。
复制下方链接，立即注册 学习《面向生产环境的机器学习 (MLOps) 专业课程》，培养您的机器学习工程技能，并学习如何发布 ML 模型，让公司与用户从中受益。
原文：New Courses: Machine Learning Engineering for Production
中文：TensorFlow 公众号